• Nuclear Engineering and Technology
• /
• 제53권11호
• /
• pp.3563-3579
• /
• 2021

Measured decay heat data of light water reactor (LWR) spent nuclear fuel (SNF) assemblies are adopted to train machine learning (ML) models. The measured data is available for fuel assemblies irradiated in commercial reactors operated in the United States and Sweden. The data comes from calorimetric measurements of discharged pressurized water reactor (PWR) and boiling water reactor (BWR) fuel assemblies. 91 and 171 measurements of PWR and BWR assembly decay heat data are used, respectively. Due to the small size of the measurement dataset, we propose: (i) to use the method of multiple runs (ii) to generate and use synthetic data, as large dataset which has similar statistical characteristics as the original dataset. Three ML models are developed based on Gaussian process (GP), support vector machines (SVM) and neural networks (NN), with four inputs including the fuel assembly averaged enrichment, assembly averaged burnup, initial heavy metal mass, and cooling time after discharge. The outcomes of this work are (i) development of ML models which predict LWR fuel assembly decay heat from the four inputs (ii) generation and application of synthetic data which improves the performance of the ML models (iii) uncertainty analysis of the ML models and their predictions.

• 한국지능정보시스템학회:학술대회논문집
• /
• 한국지능정보시스템학회 2005년도 춘계학술대회
• /
• pp.266-273
• /
• 2005

대학의 학사관리 시스템은 학생이 입학하여 졸업하기까지 수행하는 여러 가지 학사활동 및 과외활동으로부터 발생하는 방대한 데이터를 보유하고 있다. 그러나 이들을 학생들의 전공지도나 진로지도에 효과적으로 활용하지 못하고 있다. 본 논문에서는 학사관리 시스템에 축적된 정보를 대상으로 데이터 마이닝 기법을 적용하여 학생들의 전공선택 및 진로지도에 도움을 줄 수 있는 새로운 정보와 지식을 생성하는 방법을 개발, 제시하였다. 이 연구를 위하여 요인분석, 계층분석 (AHP), 인공신경망, CART 기법 등을 동원하여 데이터 마이닝을 수행함으로써 유용한 지식과 규칙을 생성하였다. 방법론의 개발에 사용된 기본 자료들은 학생들의 Holland 적성검사, TOEIC 점수, 이수과목, 평점 등이다. 연구의 결과로서 기존의 학생지도 담당자가 수작업으로는 알아낼 수 없었던 학생지도에 관한 유용한 규칙을 도출할 수 있었다.

• Nuclear Engineering and Technology
• /
• 제54권5호
• /
• pp.1825-1834
• /
• 2022

Performing high-fidelity computational fluid dynamics (HF-CFD) to predict the flow and heat transfer state of the coolant in the reactor core is expensive, especially in scenarios that require extensive parameter search, such as uncertainty analysis and design optimization. This work investigated the performance of utilizing a multi-fidelity reduced-order model (MF-ROM) in PWR rod bundles simulation. Firstly, basis vectors and basis vector coefficients of high-fidelity and low-fidelity CFD results are extracted separately by the proper orthogonal decomposition (POD) approach. Secondly, a surrogate model is trained to map the relationship between the extracted coefficients from different fidelity results. In the prediction stage, the coefficients of the low-fidelity data under the new operating conditions are extracted by using the obtained POD basis vectors. Then, the trained surrogate model uses the low-fidelity coefficients to regress the high-fidelity coefficients. The predicted high-fidelity data is reconstructed from the product of extracted basis vectors and the regression coefficients. The effectiveness of the MF-ROM is evaluated on a flow and heat transfer problem in PWR fuel rod bundles. Two data-driven algorithms, the Kriging and artificial neural network (ANN), are trained as surrogate models for the MF-ROM to reconstruct the complex flow and heat transfer field downstream of the mixing vanes. The results show good agreements between the data reconstructed with the trained MF-ROM and the high-fidelity CFD simulation result, while the former only requires to taken the computational burden of low-fidelity simulation. The results also show that the performance of the ANN model is slightly better than the Kriging model when using a high number of POD basis vectors for regression. Moreover, the result presented in this paper demonstrates the suitability of the proposed MF-ROM for high-fidelity fixed value initialization to accelerate complex simulation.

• 한국재난정보학회 논문집
• /
• 제18권4호
• /
• pp.899-907
• /
• 2022

연구목적: 기계학습법을 이용하여 일반적인 직선 교량의 지진 취약도 분석 연구는 다수 수행되었으나 곡선 교량 구조물에 대한 연구 사례는 미미하다. 따라서 본 연구의 목적은 기계학습법 기반 I형 곡선 거더를 갖는 교량의 재료 특성 및 기하학적 불확실성을 고려한 지진 취약도 분석하는 것이다. 연구방법: 강재 및 콘크리트의 재료 특성과 교각의 높이를 불확실성 매개변수로 고려하였다. 라틴하이퍼큐브 기법을 이용하여 매개변수를 샘플링하였으며 지진파의 불확실성을 고려하여 시간이력해석을 수행하였다. 해석결과를 원본데이터로 인공신경망, 반응표면분석법을 적용하여 학습 데이터를 생성하였다. 최종적으로 원본 데이터 및 학습데이터를 이용하여 지진 취약도 분석을 수행하였다. 연구결과: 라틴하이퍼큐브 기법을 이용하여 매개변수를 샘플링하였으며 지진파의 불확실성을 고려하여 총 160회의 시간 이력해석을 수행하였다. 해석결과와 기계학습을 통해 얻어진 예측 값을 비교하였으며 두 값의 유사도를 비교하기 위해 결정계수를 비교하였다. 반응표변분석법의 결정계수가 0.737로 비교적 관측 값과 유사한 것으로 나타났다. 지진 취약도 곡선도 반응표면 분석법을 통해 예측된 값이 관측 값과 유사한 것으로 나타났다. 결론: 본 연구에서 유한요소 해석을 통해 관측된 값과 기계학습법을 통해 예측된 값을 비교하였을 때 반응표면 분석법이 관측값과 유사한 결과를 예측하는 것으로 나타났다. 하지만 두 가지 기계학습법 모두 관측 값에 비해 과소평가되는 것으로 나타났다.

• Nuclear Engineering and Technology
• /
• 제55권1호
• /
• pp.339-352
• /
• 2023

Prediction of the time-related traits of pebble flow inside pebble-bed HTGRs is of great significance for reactor operation and design. In this work, an image-driven approach with the aid of a convolutional neural network (CNN) is proposed to predict the remaining time of initially loaded pebbles and the time interval of paired flow images of the pebble bed. Two types of strategies are put forward: one is adding FC layers to the classic classification CNN models and using regression training, and the other is CNN-based deep expectation (DEX) by regarding the time prediction as a deep classification task followed by softmax expected value refinements. The current dataset is obtained from the discrete element method (DEM) simulations. Results show that the CNN-aided models generally make satisfactory predictions on the remaining time with the determination coefficient larger than 0.99. Among these models, the VGG19+DEX performs the best and its CumScore (proportion of test set with prediction error within 0.5s) can reach 0.939. Besides, the remaining time of additional test sets and new cases can also be well predicted, indicating good generalization ability of the model. In the task of predicting the time interval of image pairs, the VGG19+DEX model has also generated satisfactory results. Particularly, the trained model, with promising generalization ability, has demonstrated great potential in accurately and instantaneously predicting the traits of interest, without the need for additional computational intensive DEM simulations. Nevertheless, the issues of data diversity and model optimization need to be improved to achieve the full potential of the CNN-aided prediction tool.

• 지능정보연구
• /
• 제25권3호
• /
• pp.43-62
• /
• 2019

한때, 이상 탐지 분야는 특정 데이터로부터 도출한 기초 통계량을 기반으로 이상 유무를 판단하는 방법이 지배적이었다. 이와 같은 방법론이 가능했던 이유는 과거엔 데이터의 차원이 단순하여 고전적 통계 방법이 효과적으로 작용할 수 있었기 때문이다. 하지만 빅데이터 시대에 접어들며 데이터의 속성이 복잡하게 변화함에 따라 더는 기존의 방식으로 산업 전반에 발생하는 데이터를 정확하게 분석, 예측하기 어렵게 되었다. 따라서 기계 학습 방법을 접목한 SVM, Decision Tree와 같은 모형을 활용하게 되었다. 하지만 지도 학습 기반의 모형은 훈련 데이터의 이상과 정상의 클래스 수가 비슷할 때만 테스트 과정에서 정확한 예측을 할 수 있다는 특수성이 있고 산업에서 생성되는 데이터는 대부분 정답 클래스가 불균형하기에 지도 학습 모형을 적용할 경우, 항상 예측되는 결과의 타당성이 부족하다는 문제점이 있다. 이러한 단점을 극복하고자 현재는 클래스 분포에 영향을 받지 않는 비지도 학습 기반의 모델을 바탕으로 이상 탐지 모형을 구성하여 실제 산업에 적용하기 위해 시행착오를 거치고 있다. 본 연구는 이러한 추세에 발맞춰 적대적 생성 신경망을 활용하여 이상 탐지하는 방법을 제안하고자 한다. 시퀀스 데이터를 학습시키기 위해 적대적 생성 신경망의 구조를 LSTM으로 구성하고 생성자의 LSTM은 2개의 층으로 각각 32차원과 64차원의 은닉유닛으로 구성, 판별자의 LSTM은 64차원의 은닉유닛으로 구성된 1개의 층을 사용하였다. 기존 시퀀스 데이터의 이상 탐지 논문에서는 이상 점수를 도출하는 과정에서 판별자가 실제데이터일 확률의 엔트로피 값을 사용하지만 본 논문에서는 자질 매칭 기법을 활용한 함수로 변경하여 이상 점수를 도출하였다. 또한, 잠재 변수를 최적화하는 과정을 LSTM으로 구성하여 모델 성능을 향상시킬 수 있었다. 변형된 형태의 적대적 생성 모델은 오토인코더의 비해 모든 실험의 경우에서 정밀도가 우세하였고 정확도 측면에서는 대략 7% 정도 높음을 확인할 수 있었다.